如果你阅读并关注人们关于量子计算的文章和言论，你会很快意识到，在量子计算能够实现的几乎不可想象的规模和当今量子计算机实际能够做的事情之间存在相当大的差距。因此，当我们在 Dynex 的朋友和商业伙伴报告说，他们的量子仿真平台提供了相当于数千个量子比特的计算能力——与其他公开可用的量子仿真平台提供的数十个量子比特相比，我们既兴奋又怀疑。
如果 Dynex 的断言是真的，那么可以想象他们的平台可以在实验室之外用于解决现实世界的问题。但是，Dynex 真的有可能提供远远超出其他方式的能力水平吗？在我们看来，我们能够回答这个问题的唯一方法是对自己进行一次控制测试。
Dynex 声称他们的量子仿真平台能够以远超其他公开量子计算平台的规模和性能执行量子算法。我们现已完成这项研究，我可以确认，在所有六个测试用例中，我们都成功复制了 Dynex 报告的结果。
话虽如此，我诚挚地邀请您不要轻信我的话。在 30 多年的新兴技术工作经验中，我对技术“突破”持谨慎态度。因此，我们愿意向任何希望验证自己能否重现类似结果的人提供完整的测试套件（包括实际的测试脚本）。
我们还与 Dynex 达成协议，允许他们访问其平台进行此类验证。
正如关注 FSE 的各位所知，我们的核心原则是，只有当新兴技术能够帮助企业实现以前无法实现的目标时，它们才会创造价值。这对 Dynex 来说是一个更高的要求；他们不仅要证明其性能优于其他量子平台，还要证明其平台在解决同样的现实问题时，其能力能够与传统计算解决方案相媲美，甚至超越传统计算解决方案。
即使以这个更高的标准来看，Dynex 也在多个值得深入研究的高价值用例中展现出了有希望且意义非凡的结果。
因为报告共26页，所以，篇幅所限，仅摘录部分内容：
0.行动纲要
2025 年初，Dynex 公司将其量子仿真平台用于一般用途。该平台运行在基于 CPU 和 GPU 的经典编译基础设施上，为用户提供建模和执行基于门和退火量子算法的能力。由于不同的建模方法，Dynex 断言其平台可以运行真正的量子算法，其能力和性能水平远远超过使用其他公开可用的量子计算平台所能实现的水平。
Dynex 提出的另一个关键主张涉及性能和复杂性之间的关系。对于大多数量子算法来说，每当你增加一个因子，你的计算复杂度就成指数增长，Dynex 就断言它们的平台性能成次指数增长。换句话说，添加因子所增加的运行时间要少于添加这些因子所增加的复杂性。
为了提供这些断言的证据和独立验证，Dynex 要求其集成合作伙伴 Finserv Experts (FSE)对其平台的能力进行独立评估。FSE 同意进行这项评估，条件是它要公开测试工具(包括测试本身的源代码)，以便任何有兴趣的人都可以完全复制测试结果。
FSE 公司和 Dynex 公司共同商定了六种情景，其中每一种都代表了表达量子能力的通用参考案例，
并且每一种都具有潜在的现实世界价值，以此作为此次评估的基础。
（1） n 位加法器
（2） 旅行推销员问题
（3） 反向电路执行
（4） 肖尔算法
（5） 蛋白质折叠
（6） 使用 Grover 算法的反向散列
对于每个测试场景，FSE 试图回答两个问题:
【1】 有可能独立验证 Dynex 的结果吗？
【2】 是否有潜在的真实使用案例，其中 Dynex 平台的功能可用于交付具有可衡量价值的解决方案？
完成评估后，FSE 可以确认其能够独立实现 Dynex 声称的所有六种情况下的相同性能水平。FSE还可以证实，Dynex 关于亚指数标度的断言似乎是正确的，至少在本次评估中测量的范围内是如此。
明确回答第二个问题需要的不仅仅是评估 Dynex 性能指标的可重复性。这些指标可能明显优于其他公开可用的量子平台，但要具有真实世界的价值，它们还必须证明比实现类似目标的经典计算解决方案更具优势。这种优势的完全确认需要进一步的研究来验证，但是有足够的证据证明一些用例需要进一步的研究。
1.机会成本和动机
任何时间投资都有机会成本；对于像我们这样的服务公司来说更是如此，
因为我们的时间就是我们的产品。Finserv 专家选择投入时间有两个原因:
（1） Dynex 已经选择 Finserv 专家作为他们的集成合作伙伴。为了向我们的客户提供基于 Dynex 平台的解决方案，我们需要满怀信心地参与进来，相信我们能够复制Dynex 所宣称的性能和功能水平。
（2） 我们公司的核心使命是帮助企业从新兴技术中获得可衡量的价值。量子计算是我们选择发展能力的新兴技术之一，但在很大程度上，量子技术尚未成熟到可以开始提供现实世界商业价值的地步。如果 Dynex 的说法是真的，那么现在就有可能提供具有现实世界价值的解决方案，尽管目前 Dynex 提供的是一个量子仿真平台。
2.Dynex简介
Dynex 平台通过使用常微分方程(ODEs)来模拟物理系统的动力学，引入了一种新的量子计算方法。这种方法允许 Dynex 创建它所谓的“算法量子位”。其目的是提供一种可扩展的和有效的方法来模拟经典硬件上的量子行为。
大多数现有的仿真器倾向于依赖于求解诸如薛定谔方程的偏微分方程(PDEs );由于复杂性呈指数级增长，他们很快就会碰壁。Dynex 设计了基于 ODE 的方法，旨在亚指数级扩展复杂性，从而释放现有仿真器难以企及的性能。
作为比较:大多数领先的量子模拟器，如 IBM 的 Aer 模拟器或谷歌的量子张量网络模拟器，在耗尽实际计算资源之前，都难以处理超过 30-40 个量子位。在硬件方面，今天最大的物理量子计算机，如 IBM 的 Osprey，目前运行着大约 433 个量子位。
Dynex 声称——本白皮书试图验证——他们的平台可以在经典 GPU 基础设施上处理相当于数千个量子位的数据，从而有可能提供复杂性高出几个数量级的解决方案。
3.测试案例 1: n 位加法器电路
我们审查了 Dynex 提供的公共基准，其中团队在 IBM AerSimulator 和 IBM 的量子平台(127 量子位鹰 r3 QPU，~30K CLOPS)上计算了完全相同的量子电路。这些结果可以在 Dynex SDK 资源库(https://github . com/Dynexcoin/Dynex SDK/tree/main/circuit _ scaling _ benchmark)中公开访问，显示了这两种方法的实际局限性。
在 IBM AerSimulator 上，限制是在资源需求呈指数增长之前可以模拟的量子位的数量，防止扩展超过几十个量子位。
在 IBM Quantum 平台上，瓶颈是纠错:尽管 Eagle r3 设备上的物理量子位计数为 127，但噪声和退相干限制了电路深度和保真度，使得将相同的计算扩展到小问题规模之外不切实际。
为了进一步澄清，Dynex 还发布了一个并排的对比视频来说明这些发现
(https://github . com/dynexcoin/DynexSDK/tree/main/circuit _
scaling _ benchmark)。
总之，这些控制研究强调了领先仿真器和可用量子硬件的当前限制，并提供了一个透明的基准，可用于评估替代方法，如 Dynex 基于 ODE 的架构。
结果如下图所示，Dynex quantum 仿真平台能够在不到 13 秒的时间内成功处理多达 100位的数字。
分析
Dynex 断言可以独立验证吗？
是的。我们能够成功且独立地复制 Dynex 报告的结果。
当前的业务能力水平可以用来交付现实世界的业务价值吗？
对某些使用案例来说是。
测量的是什么？
公共平台上的量子加法器只能处理高达 26 或 64 的数字。Dynex 平台证明它可以处理多达 2100 个数字，即 1，267，650，600，228，229，401，496，703，205，375。
观察运行时间。
在整个测试范围内，执行时间保持实用，仅从 6 位的约 6 秒增加到 100 位的约 13秒。如上文第 3 节所述，Dynex 的一个关键主张是，其方法支持相对于复杂性的亚指数级性能扩展。至少在测试的范围内，证据似乎证实了这种说法。
背景和适用性
对一个 100 比特的数字来说，13 秒的处理时间远远超出了其他量子平台报道的结果，但它仍然是不平凡的。这意味着现实世界的解决方案必须有针对性地利用这种能力，而不是蛮力计算能力。
就其本身而言，量子加法器的 100 位阈值可能足够大，可以有针对性地用于投资组合分析、欺诈检测或供应链规划，但仍略低于药物评估、网络安全或气候建模的要求。
4.测试案例 2:旅行推销员问题
结论：Dynex 平台能够处理远远大于 IBM 和 IonQ 平台所能处理的 TSP 问题。
测量的是什么
这个评估集中在旅行推销员问题(TSP)作为一个退火问题。目前的量子退火器，如 DWave 的 Advantage 系统，被限制在 5000 个物理量子位左右。实际上，由于嵌入开销和噪声，这将可解决的 TSP 实例的大小限制为相对适中的城市计数。相比之下，Dynex 成功执行了一个映射到 6400 量子位的 80 城市 TSP，大大超过了领先的商业 annealer 的有效硬件上限。
背景和适用性
这项研究将 Dynex 与量子退火平台进行了比较，而不是与最先进的经典 TSP 解算器进行比较。经典系统已经取得了令人瞩目的成就——例如，协和求解器成功地解决了一个 89，000 个城市的 TSP，但只是在 CPU 峰值负载下运行了一年多之后。
因此，悬而未决的问题是，在现实世界中，是否存在 TSP 复杂性的有用范围，在该范围内，Dynex 可以匹配或优于经典计算机，这些经典计算机不需要实验室条件、专用硬件或运行时间，这些条件或时间会使它们无法用于日常实际目的。鉴于成功的TSP 优化在大量高影响行业中的潜在影响，我们认为这值得进一步探索。
- 反向电路执行
结论：Dynex 能够对高达 1，028，171 的数字成功执行反向电路执行，大大超过了基于门或退火平台获得的结果。
当前的业务能力水平可以用来交付现实世界的业务价值吗？
对某些用例来说可能是，但是需要进一步的研究来确定这一点。
在经典计算机上执行反向电路执行在理论上是可能的，但实际上无法大规模实现。这是因为只有经典逻辑门的子集是可逆的(例如，NOT 和 XOR)，而作为现代计算基础的大多数门(and、OR、NAND)本质上是不可逆的。建造一台只使用可逆门的经典机器是不切实际和低效的。
测量的是什么
基准测试证实，Dynex 可以分解高达 20 位的数字(≈1，028，171)，扩展到 400 量子位。相比之下，目前可用的量子系统仅限于非常小的因素:IBM 和 IonQ 在 N=21时展示了结果，在 N=35 时展示了 D-Wave。
背景和适用性
在这种情况下，Dynex 平台展示了反向执行量子电路的实际能力，使用整数因式分解作为参考工作负载。与其他测试相比，在所测量的范围内，执行时间的增加更接近比例缩放，而不是指数缩放。相对于 RSA-2048 (617 位)等加密标准，分解一个 20 位的数字仍然很小，但它比目前在公开可用的量子硬件上实现的任何东西都要大几个数量级。
就现实世界的适用性而言，很难对 Dynex 平台上许多上述现实世界用例的可用性反向电路执行进行评论，因为没有参考点与之进行比较，因为反向电路执行很少在经典计算硬件上实现。
有必要进行进一步的研究和原型制作，以确定使用 Dynex 平台是否会对软件开发、硬件设计或提高容错能力产生有意义的影响。另一方面，Dynex 上的反向电路工程是否可以成为 quantum 软件开发的有效调试和错误检查工具，这可能是值得探索的，因为它可能有助于更严格的错误检查，否则目前是可能的。
6.肖尔算法
结论：Dynex 能够在不到一秒的时间内成功地对一个 40 位的数字(一个 13 位数的数字，具体来说就是 N=1，099，510，308，317)进行因式分解。有趣的是，计算一个更短的 20 位数字需要 2 秒多的时间。
测试用例描述
由麻省理工学院教授 Peter Shor 于 1996 年首次提出的 Shor 算法是一种用于寻找任何整数的质因数的简洁而优雅的算法，即使是非常大的整数。
Shor 的算法简单易懂，易于实现。该算法只有六个步骤；拥有数学学士学位并对Python 有基本了解的人可以在不到一个小时的时间内编写代码。
整数分解的问题不在于编写这样的脚本，而在于运行它。如果你能够将地球上所有的计算能力整合到一个超级星系团中，并让这个超级星系团去寻找一个 617 位数(RSA2048 私钥的大小)的因子，那么它的运行时间将比当前宇宙的年龄还要长。
由于它能够同时处理多种可能性，量子计算有可能使 Shor 的算法变得微不足道。
这就是为什么它是关于量子计算如何提供经典计算永远无法完成的能力的唯一被引用最多的参考案例。
真实世界的使用案例
虽然 Shor 的算法有许多潜在的用例，但最令人感兴趣和担忧的是它对网络安全的影响。如果 Shor 的算法可以使破解 RSA-2048 变得微不足道，它将使几乎所有现代加密变得毫无用处，这意味着几乎所有现有的软件应用程序都将对误用、盗窃和恶意攻击敞开大门。
该行业非常重视这一威胁，并投入数十亿美元开发和采用新的加密方法(通常称为后量子加密，或 PQE)，一旦量子计算变得可行，这些方法仍然是安全的。
控制基线
在撰写本文时，量子计算机使用 Shor 算法成功分解的最大数是 N=21。在这个表示中，N 代表被分解的实际数字，所以 N=21 的解是 3 和 7。
光子系统(2011 年):
Politi，a .等人(2011 年)。"光子芯片上的肖尔量子因子分解算法."科
学，325(5945)，1221–1224。DOI:10.1126/科学. 1173731。
o 细节:演示了使用 2-4 个量子位的光子量子芯片的因式分解。该实现使用了
Shor 算法的编译版本，其中模幂运算被预先简化，从而减少了电路深度。
的成功概率约为 90%,略低于。该实验依赖于经典的预先计算来确定周期发
现步骤。
o 相关性:确认为光子系统的里程碑，但可扩展性受到光子损失和门保真度的限制。
离子阱系统(2012 年):
马丁-洛佩兹等人(2012 年)。" Shor 量子因子分解算法的核磁共振实验实现."自然，486，195-199.DOI: 10.1038/nature11111。
o 细节:使用离子阱激发的 7 量子位核磁共振量子系统进行分解。该电路通
过模幂运算进行了大量优化针对特定情况进行了简化(，第 2 期)。经典预处理将量子操作减少到几个受控门。
o 相关性:作为离子阱类系统的最大因子得到验证，但由于依赖于特定
的数字属性，该方法不可推广。
超导量子比特系统(2012–2016):
Lucero 等人(2012 年)。"用约瑟夫森相位量子位处理器计算质因数."自然物理学，8719–723。DOI: 10.1038/nphys2385。
o 细节:使用 4 量子位超导处理器进行分解(谷歌/UCSB 团队)。后来的一个实
验(没有完全发表，但在 talks 中提到了)扩展到了一个类似的平台上，具
有 5-6 个量子位，使用编译的 Shor 算法和预先计算的模运算。
o 相关性:显示超导量子位实现，但与限制一般性的简化。
全面审查(2020 年至 2023 年):
Amico，m .等人(2020 年)。"整数因式分解的量子计算的状况."量子科学
与技术，5(3)，033001。DOI: 10.1088/2058-9565/ab8b6d。
o 细节:回顾实验进展，指出跨平台(光子、离子阱、超导)的物理硬件是最
大数量的因素。强调所有演示都使用定制的电路，并针对具体情况硬编
码了模幂运算。更大的数字(例如)在模拟或经典量子混合中被考虑，而
不是纯粹的量子硬件。
o 相关性:由于 NISQ 约束(量子位计数约 5–10，门误差约 1%)，确认为实际极限。
最近的教程和社区见解(2024–2025):
Qiskit 教程:《肖尔算法》。在 IBM 的量子模拟器和小规模硬件(如
ibmq_nairobi 等 7 量子位系统)上实现和。请注意，由于电路深度(约
20–30 个门)和噪声的原因，是硬件上演示的最大值。
量子计算栈交换(2023):“肖尔算法在实际硬件上因子分解的最大数是多
少？”。共识指出，引用光子和超导实验，由于相干性限制，除此之外没
有可靠的演示。
当前的业务能力水平可以用来交付现实世界的业务价值吗？
没有达到测量的水平。虽然 Dynex 量子仿真平台明显优于其他公开可用的量子平台的公开结果，但这与在经典计算机上运行其他因式分解方法所能实现的结果相差甚远。
测量的是什么
该评估使用了 Shor 算法，该算法被实现为用于整数因式分解的量子门电路。目前的量子硬件仍然局限于非常小的数量:IBM 和 IonQ 已经报告了 N=21 左右的结果，而 DWave 已经显示了 N=35 的结果。相比之下，Dynex 成功执行了N=1，099，510，308，317 的短路电路，运行时间不到 1 秒。
背景和适用性
Dynex 已经表明，它可以在不到一秒的时间内分解一个 13 位数字，当你考虑到其他量子平台最多只能分解 2 位数字时，这是非常令人印象深刻的。这个结果还没有达到在专门的经典硬件上可以达到的程度；Pollard 的 Rho 等算法已经可以在单个 CPU 上在相似的时间范围内分解 100 到 130 位的数字。
即便如此，Dynex 获得的结果仍然值得进一步探索和实验。沿着测量范围的缩放曲线与我们在其他量子平台上看到的完全不同，低到足以让我们想知道当前的 Dynex 平台可能是什么最大限度地。
7.蛋白质折叠
结论：Dynex 能够成功地采用基于 2D 晶格的优化方法，在 26 秒内预测 77个氨基酸链蛋白质的最终形状。
测量的是什么
这个问题的数学复杂度从 3 个氨基酸的少量运算到 77 个氨基酸的大约 1.5×10。
尽管理论上的复杂性呈指数级增长，但 Dynex 的运行时间增长有限:从非常小的系统的 0.02 秒到 Swiss-Prot 的 25 秒。这显示了在测量范围内的亚指数标度曲线。
背景和适用性
虽然有参考研究集中于在经典计算平台上使用这种数学技术进行蛋白质最终状态预测，但这些实验中没有两个是以相同的方式建立的；需要进一步的控制实验来评估。
Dynex 方法似乎确实优于或至少匹配 alpha 折叠的性能(取决于硬件的选择)，但是断言 Dynex 是潜在的现实世界选择还需要在一致的实验条件下将其与纯粹在经典计算平台上实现的其他基于 2D 晶格的优化实现(即，没有量子仿真)进行比较。
- 使用 Grover 算法的反向散列
结果：Dynex 平台已经能够成功实现高达 128 位的反向散列。
测试用例描述
格罗弗的算法解释
格罗弗算法是一种搜索方式，它利用了量子计算机同时执行同一操作的多个版本的能力。
想象一下，必须从大量的可能性中选择一个特定的可能性，我们将称之为 N。这些可能性没有任何顺序，所以我们必须逐个测试它们，这意味着平均来说，我们必须评估大约一半的可能性，或 N/2，才能找到我们正在寻找的可能性。
格罗弗算法是一种提高概率的方法，每次我们从 N 个可能性中选择一个进行评估时，我们都选择了正确的一个。这被称为二次加速；我们要检查的可能性的平均数从 N/2 到 N(N 的平方根)。
因此，举例来说，如果我们必须使用常规搜索从一百万种可能性中挑选正确的选择，平均来说，我们必须在找到正确的选择之前查看 50 万种可能性；如果我们能够使用 Grover 的搜索，我们平均只需检查 1000 种可能性，就能找到正确的一种。
反向散列解释
散列是将一组数字或字符数据转换成另一组数据的操作。哈希的独特和有用之处在于它们是不可逆的；如果你只有转换后的数据，那就没办法计算了原始数据是什么；您必须逐个检查输入数据的每个可能值，并对其应用哈希函数，以查看它是否是正确的值。
反向散列正是这个过程:在散列之前试图找出原始值。对于任何大型数据集来说，反向散列实际上是不可能的，因为有太多的可能性，但 Grover 的算法(至少在理论上)可以通过增加您选择正确选项的概率，大幅减少您必须检查的选项数量，从而使反向散列变得更容易。
真实世界的使用案例
与 Shor 算法一样，Grover 算法最重要的用例是在网络安全领域。
哈希是用于存储密码的主要方法。当用户在网站或软件产品上创建帐户时，他们创建的密码将在存储之前进行哈希处理。稍后，当用户尝试使用该密码登录时，用户的输入将再次被哈希，哈希后的输入将与存储的哈希进行比较，以查看用户是否输入了正确的密码。
哈希无法重建原始密码；你必须反复猜测，直到猜对为止。对于非常长的密码，猜对的可能性几乎为零，但 Grover 的算法可以大大减少您为获得正确答案而必须进行的猜测次数。
哈希也是用于类似地保护区块链或分布式分类帐中的数字签名和条目的方法。
控制基线
在现有的公开可用的量子平台上测试反向散列函数还没有被证明。格罗弗的算法迄今为止只被实施为非常小的概念验证实验——通常在 2 到 8 个量子位的范围内——这不足以在实践中测试甚至最简单的哈希函数。
迄今为止，还没有一家量子计算公司发布过一个有用的 Grover 实现，它可以在与现实世界应用相关的规模上运行。IBM、IonQ、Rigetti 和其他人的公开演示仅限于用来证实理论原理的玩具电路，而不是用来解决有意义的反向散列问题。
因此，没有来自现有量子硬件的既定基线，可以直接与 Dynex 的结果进行比较。
因此，Dynex 基准测试代表了首次尝试以足够大的规模(高达 128 位)运行 Grover式电路，以测试它们与实际问题的潜在相关性。
当前的业务能力水平可以用来交付现实世界的业务价值吗？
可能是；需要进一步研究。
测量的是什么
该基准测试评估了 Grover 的反向散列算法。虽然当前的量子硬件仅限于非常小的测试案例，但 Dynex 执行的 Grover 电路高达 128 位(128 量子位)，大大超过了公开可用的量子平台的能力。
在所测量的范围内，潜在问题的复杂性呈指数增长，从 4 位的约 10 次运算增加到128 位的约 10 次 。⁸ 尽管如此，Dynex 的运行时间在整个测试范围内保持平稳:4-64 位时约 15 秒，128 位时仅约 18 秒，这进一步支持了 Dynex 的断言，即他们的平台提供了更接近比例而非指数的性能/复杂性扩展。
背景和适用性
像 SHA-256 这样的现代哈希算法，结合 8 个或更多字符的密码，即使在全功能量子中也能保持安全电脑；即使有 Grover 的二次加速，仍然有太多的可能性需要测试。然而，有许多传统软件和过时哈希方法的实例，原则上，Dynex 展示的能力可用于暴露漏洞。
本研究的目的不是支持攻击，而是确定何时可以访问此类能力，以便企业可以在暴露之前主动保护系统。
也就是说，有许多潜在的用例不是网络安全攻击，其中 Grover 风格的方法可以在当前 Dynex 平台所展示的能力水平上增加现实世界的价值。值得进一步探索的几个用例可能包括:
（1） 数据恢复:在使用早期较小散列方法的受损或降级存储设备上定位信
息。
（2） 蛋白质设计:将所需的蛋白质属性编码为散列值，并使用反向散列法在巨大
的蛋白质空间中有效地搜索，以识别与这些属性相匹配的候选者。
（3）后量子加密研究:针对 Grover 式的量子搜索对新的加密方法进行压力测试，以验证它们在大规模部署前的弹性。
（4）数据库搜索和优化:应用类似 Grover 的搜索技术来加速大型数据库中结构化和非结构化数据的查询。
（5） 人工智能和机器学习:探索基于 Grover 的原语，用于加速模型搜索、超参数调整或模式匹配。
（6）错误纠正和验证:在经典检查方法变得低效的大规模分布式系统中，使用反向散列作为错误检测的工具。
9.摘要
Dynex 对他们的量子仿真平台的能力做出了一些值得注意的声明，声称它可以明显优于大多数公开可用的量子计算平台。如果他们的说法是真的，那么至少 Dynex 平台将使量子计算软件开发技术的更广泛的测试和原型化成为可能，而不是在公开可用的量子计算平台上。但除此之外，他们的一些说法如果属实，则提高了即使作为量子仿真器，Dynex 平台也可以用于提供具有现实价值的解决方案的可能性。
我们这项研究的目的是回答两个问题:
【1】 有可能独立验证 Dynex 的结果吗？
回答是绝对肯定的。
我们详细地回顾了测试用例的实现，独立地执行了脚本，并根据已知的参考验证了结果。在每种情况下，我们收到的结果都与 Dynex 报告的结果相似。
【2】是否有潜在的真实使用案例，其中 Dynex 平台的功能可用于交付具有可衡量价值的解决方案？
答案也是肯定的，但这是一个更有限定性的肯定。
在我们的研究中，Dynex 似乎在所有六个文本案例中都优于公开可用的量子平台，但是这些测试案例必须参考量子算法；在其中一些情况下，传统的经典技术仍然产生好得多的结果(例如 TSP)。
然而，在一些目标使用案例中，当前的 Dynex 平台有潜力提供超过传统计算技术的结果或与之竞争的结果。这些用例可能包括但不限于投资组合分析、供应链优化或蛋白质的最终形状预测。
10.后续步骤
- 这项研究的下一步
任何此类研究的最终验证是其结果的可重复性。在此基础上，我们与 Dynex 达成一致，将这项研究的源代码提供给任何希望自己运行脚本并验证自己能够重现相同结果的人。我们附加的唯一条件是，任何进行这些测试的人事后都要与我们分享他们的发现。如果您想亲自验证这些结果，请发送电子邮件至
dynex_study@finservexperts.com 。
如上所述，在许多使用案例中，这些初步结果表明，Dynex quantum 仿真平台的当前功能已经足够强大，可以在实验室之外的真实场景中增加可展示的价值。因为我们正在讨论量子计算在能力上可能有所突破的一类问题，所以毫不奇怪，所有这些场景都代表着高度复杂的问题，不能掉以轻心。下一步将是更有力地验证Dynex 平台在这些场景中的实用性，最好是与已经在相关解决方案领域拥有深厚专业知识的公共、私营或学术企业合作。
- Dynex 的下一步
Dynex 平台的当前版本是基于软件的；它运行在基于 CPU 的硬件上。但是，即使这项研究已经证实它明显优于其他公开可用的量子平台的公布结果，Dynex 认为基于硬件的解决方案将带来更大的进步。
为此，Dynex 正致力于在一种名为 Apollo 的专用硅芯片上实现这一方法，Dynex表示，该芯片将在室温下运行的神经形态架构中运行 1000 个物理量子位。他们超越阿波罗的路线图设想了一系列进一步的版本，将这种能力提高多个数量级，长期目标是到 2034 年达到 100 万物理量子位。
- Finserv 专家的下一步行动
我们在 FSE 的使命是帮助我们的客户设计、开发和部署新的商业模式，如果没有新兴技术带来的新能力，这是不可能的。
我们不是量子科学家，也没有资格对 Dynex 方法是否构成量子计算的“真正”模拟，或者他们计划的硬件发布是否构成“真正”的量子位发表意见。
我们可以评论什么，我们有资格评估什么，最终我们真正关心的是证据确凿的结果。这项研究令我们满意地表明，Dynex 完全有能力提供他们声称可以提供的结果。此外，有理由相信 Dynex 已经展示的能力水平会对某些目标用例产生影响。
我们的下一步是开始与我们的客户合作，探索如何部署这些新功能，以提供以前不可能实现的新功能。————————————————版权声明：本文为CSDN博主「爱比特」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/u010876122/article/details/151117714
